NGHIÊN CỨU VÀ ỨNG DỤNG DRONE DO THÁM CHÁY RỪNG

Việc sử dụng các máy bay không người lái có thể giải quyết hầu hết các vấn đề củacác phương pháp truyền thống. Máy bay có thể cung cấp một góc nhìn rộng lớn, linhhoạt, tính cơ động cao, một số máy bay với thiết kế cánh đặc biệt có thể bay trên cácđám cháy. Việc sử dụng máy bay không người lái làm giảm đáng kể rủi ro an toàn đốivới phi công cho phép giám sác lâu dài. Máy bay không người lái cở nhỏ dễ triển khaigiám sác ở các góc độ phức tạp, khiến nó trở thành ý tưởng tuyệt vời cho các nhiệm vụgiám sác hỏa lực.

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG VIỆT - HÀN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VÀ ỨNG DỤNG DRONE DO THÁM CHÁY RỪNG Giảng viên hướng dẫn: TS ĐẶNG QUANG HIỂN Sinh viên thực hiện: NGUYỄN TUẤN VƯƠNG Lớp: 18CE Đà Nẵng, ngày 31 tháng 05 năm 2021 ĐAI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG VIỆT - HÀN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VÀ ỨNG DỤNG DRONE DO THÁM CHÁY RỪNG Đà Nẵng, ngày 30 tháng 12 năm 2020 MỞ ĐẦU Ở Việt Nam nói riêng nhiều nước giới nói chung, cháy rừng tượng phổ biến Cháy rừng trượng thiên tai gây tổn thất to lớn kinh tế mơi trường sinh thái Nó huỷ diệt gần toàn động vật, thực vật vùng bị cháy, phát thải vào khí khối lượng lớn khói bụi với khí gây hiệu ứng nhà kính CO, CO2, NO,…Cháy rừng nguyên nhân quan trọng làm gia tăng q trình biến đổi khí hậu thiên tai nay, Mặc dù phương tiện phương pháp phòng cháy chữa cháy rừng ngày đại cháy rừng không ngừng xảy ra, chí nước phát triển Phòng, chữa cháy rừng xem nhiệm vụ cấp bách giới nói chung , Việt Nam nói riêng, nhằm mục địch bảo vệ nguồn tài nguyên thiên nhiên bảo vệ môi trường Nên nhóm chúng tơi nghiên cứu phát triển hệ thống giám sác thu thập liệu điều kiện gây cháy rừng sử dụng công nghệ IOT kết hợp machine leaning nhằm mục đích đưa kết dự đoán phát kịp thời nơi xảy cháy rừng LỜI CẢM ƠN Học phải đơi với hành với sinh viên việc thực đồ án vô cần thiết chúng em xin chân thành cảm ơn Ban lãnh đạo Trường Đại học Công Nghệ Thông Tin Truyền Thông Việt - Hàn tạo điều kiện cho chúng em thực đồ án Để hoàn thành tốt đề tài này, nỗ lực thân, tơi cịn nhận quan tâm giúp đỡ nhiều tập thể cá nhân Trước hết, tơi xin gửi tới tồn thể thầy, cô giáo Trường Đại học Công Nghệ Thông Tin Truyền Thông Việt - Hàn Đặc biệt, xin bày tỏ lòng biết ơn sâu sắc tới Giảng viên hướng dẫn TS Đặng Quang Hiển, người tận tâm hướng dẫn tơi suốt q trình hồn thiện đề tài Em xin bày tỏ lòng cảm ơn đến gia đình, người thân bạn bè giúp đỡ, tạo điều kiện cho em thời gian thực đồ án, để hồn thành đồ án điều kiện tốt Vì kiến thức thân cịn hạn chế, q trình thực hồn thành đề tài em khơng tránh khỏi sai sót, kính mong nhận ý kiến đóng góp từ q thầy Đàdồi Nẵng, 31 tháng năm 2021 Cuối tơi kính chúc q thầy, ngày sức khỏe thành công nghiệp cao q Đồng kính chúc gia đình, ngườiNGUYỄN thân bạn bè dồi Sinh viên: TUẤN VƯƠNG sức khỏe, đạt nhiều thành công tốt đẹp công việc NHẬN XÉT (Của giảng viên hướng dẫn) ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Giảng viên hướng dẫn (Ký ghi rõ họ tên) TS Đặng Quang Hiển MỤC LỤC MỞ ĐẦU LỜI CẢM ƠN NHẬN XÉT .5 MỤC LỤC .6 DANH MỤC CÁC BẢNG DANH MỤC HÌNH DANH MỤC CỤM TỪ VIẾT TẮT 10 GIỚI THIỆU .1 Thực trạng cháy rừng giới Ở Việt Nam NGHIÊN CỨU TỔNG QUAN Các loại cháy rừng .5 2.1.1 Cơ sở phân loại cháy rừng 2.1.2 Cháy tán 2.1.3 Cháy tán .6 2.1.4 Cháy ngầm Các giải pháp giám sát lửa rừng .9 PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG 11 Thiết kế hệ thống .11 3.1.1 Linh kiện sử dụng 11 Giải Pháp IOT Machine Learning .14 3.2.1 Giải Pháp Machine Learning 15 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 22 Kết luận 22 Hướng phát triển tương lai .23 DANH MỤC THAM KHẢO 25 DANH MỤC CÁC BẢNG Bảng 2.1: Thống kê số vụ cháy rừng diện tích bị hại Nga Mỹ Bảng 3.1: Kết thu 22 Bảng 3.2: So sánh hiệu suất 23 DANH MỤC HÌNH Hình 1.1: Bầu trời đỏ ngầu Mallacoota ngày 31/12 Hình 2.1: Một camera AI View Vườn Quốc gia Phú Quốc .10 Hình 3.1: Drone F450 11 Hình 3.2: Module DJI GPS naza compass 11 Hình 3.3: Mạch cân (FC F4 v3s) 12 Hình 3.4: Động khơng chổi thang esc 13 Hình 3.5: Pin lipo 3s .13 Hình 3.6: TX flysky i6 13 Hình 3.7: RX FS IA6B 14 Hình 3.8: DJI F450 .14 Hình 3.9: phát lửa khói cách sử dụng thị giác máy tính .15 Hình 3.10: Grid System 16 Hình 3.11: Các box chia nhỏ ảnh .16 Hình 3.12: Cách xử lý ảnh 17 Hình 3.13: CNN for YOLO Object Detection 17 Hình 3.14: Object 18 Hình 3.15: Hình ảnh cháy rừng tầm gần .21 Hình 3.16: Phát lửa khói cách sử dụng YOLO 21 Hình 4.1: Thiết lập hành trình bay 23 DANH MỤC CỤM TỪ VIẾT TẮT STT Cụm từ Công nghệ phần mềm Công nghệ thơng tin Viết tắt CNPM CNTT Lỗi bình phương gốc RMSE Độ lệch tuyệt đối MAD Root Mean Square Communication Acuracy ACC Internet of thing IOT Vi điều khiển VĐK Vật liệu cháy VLC 10 Trí tuệ nhân tạo AI 11 Biến đổi khí hậu BĐKH 12 Máy bay khơng người lái 13 You only look once 14 … RMSProp UAV YOLO Đồ án sở GVHD: TS Đặng Quang Hiển PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG Thiết kế hệ thống Việc sử dụng máy bay không người lái giải hầu hết vấn đề phương pháp truyền thống Máy bay cung cấp góc nhìn rộng lớn, linh hoạt, tính động cao, số máy bay với thiết kế cánh đặc biệt bay đám cháy Việc sử dụng máy bay không người lái làm giảm đáng kể rủi ro an tồn phi cơng cho phép giám sác lâu dài Máy bay không người lái cở nhỏ dễ triển khai giám sác góc độ phức tạp, khiến trở thành ý tưởng tuyệt vời cho nhiệm vụ giám sác hỏa lực Mặc dù có lợi đáng kể sử dụng máy bay không người lái để phát đám cháy rừng Nhưng điều mang lại nhiều vấn đề, thách thức riêng Máy bay không người lái hoạt động kèm với hạn chế quy định địa phương, liên quan đến quyền riêng tư, an tồn cơng cộng tránh va chạm bảo mật, … Hình 3.1: Drone F450 3.1.1 Linh kiện sử dụng Hình 3.2: Module DJI GPS naza compass Nghiên cứu ứng dụng drone thám cháy rừng Trang 11 Đồ án sở GVHD: TS Đặng Quang Hiển GPS hệ thống xác định vị trí dựa vị trí vệ tinh nhân tạo, Bộ Quốc phòng Hoa Kỳ thiết kế, xây dựng, vận hành quản lý Trong thời điểm, tọa độ điểm mặt đất xác định xác định khoảng cách từ điểm đến ba vệ tinh Tuy quản lý Bộ Quốc phịng Hoa Kỳ vận hành Khơng lực Hoa Kỳ, phủ Hoa Kỳ cho phép người giới sử dụng số chức GPS miễn phí, quốc tịch Các vệ tinh GPS bay vòng quanh Trái Đất hai lần ngày theo quỹ đạo xác phát tín hiệu có thơng tin xuống Trái Đất Các máy thu GPS nhận thông tin phép tính lượng giác tính xác vị trí người dùng Về chất máy thu GPS so sánh thời gian tín hiệu phát từ vệ tinh với thời gian nhận chúng Sai lệch thời gian cho biết máy thu GPS cách vệ tinh bao xa Rồi với nhiều quãng cách đo tới nhiều vệ tinh máy thu tính vị trí người dùng hiển thị lên đồ điện tử máy Máy thu phải nhận tín hiệu ba vệ tinh để tính vị trí hai chiều (kinh độ vĩ độ) để theo dõi chuyển động Khi nhận tín hiệu vệ tinh máy thu tính vị trí ba chiều (kinh độ, vĩ độ độ cao) Một vị trí người dùng tính máy thu GPS tính thơng tin khác, tốc độ, hướng chuyển động, bám sát di chuyển, khoảng hành trình, quãng cách tới điểm đến, thời gian Mặt Trời mọc, lặn nhiều thứ khác Hình 3.3: Mạch cân (FC F4 v3s) Nghiên cứu ứng dụng drone thám cháy rừng Trang 12 Đồ án sở GVHD: TS Đặng Quang Hiển Để trì cân bằng, quad dựa vào liệu mà thu thập từ cảm biến bên mạch cân điều chỉnh cơng suất gửi đến động để tồn máy bay cân Hình 3.4: Động không chổi thang esc Động DC không chổi than, hay gọi động BLDC (Brushless DC motor), động điện chuyển mạch điện tử với nam châm điện dòng DC di chuyển rotor xung quanh stator Thay cổ góp chổi than động chổi than động DC không chổi than sử dụng điều khiển động bước để tạo chuyển đổi lượng điện thành lượng học Hình 3.5: Pin lipo 3s Hình 3.6: TX flysky i6 Nghiên cứu ứng dụng drone thám cháy rừng Trang 13 Đồ án sở GVHD: TS Đặng Quang Hiển Hình 3.7: RX FS IA6B Hình 3.8: DJI F450 Giải Pháp IOT Machine Learning Phát đám cháy thị giác máy tính lĩnh vực nghiên cứu tích cực gần ba thập kỷ Ý tưởng đằng sau phát đám cháy dựa thị giác máy tính phát hai dấu hiệu trực quan lửa, lữa khói, cách trích xuất đặc trưng chúng thơng qua tốn phân loại như: Bayes, SMV, ANN,… Tuy nhiên phần lớn phương pháp tập trung vào phát đối tượng từ hình ảnh video Có số hạn chế sử dụng loại đối tượng Ví dụ đám cháy giai đoạn đầu khơng có lữa tán phát xa nhiên ban đêm hệ thống phát cháy rừng mạnh mẽ liên tục điều quan trọng sử dụng hai đặc trưng Nghiên cứu ứng dụng drone thám cháy rừng Trang 14 Đồ án sở GVHD: TS Đặng Quang Hiển Hình 3.9: phát lửa khói cách sử dụng thị giác máy tính 3.2.1 Giải Pháp Machine Learning Một ưu điểm mà YOLO đem lại sử dụng thơng tin tồn ảnh lần dự đốn tồn object box chứa đối tượng, mơ hình xây dựng theo kiểu end-to-end nên huấn luyện hoàn toàn gradient descent Sau đây, trình bày chi tiết mơ hình YOLO 3.2.1.1 Grid System Ảnh chia thành ma trận ô vuông 7x7, ô vuông bao gồm tập thơng tin mà mơ hình phải đốn Đối tượng mà vng chứa Tâm đối tượng cần xác định nằm ô vuông vng chứa đối tượng Ví dụ tâm cô gái nằm ô vuông màu xanh, mơ hình phải dự đốn nhãn vng gái Lưu ý, cho dù phần ảnh gái có nằm vng khác mà tâm khơng thuộc vng khơng tính chứa gái, ngồi ra, có nhiều tâm nằm vng gán nhãn cho vng thơi Chính ràng buột vng chứa đối tượng nhược điểm mơ hình Nó làm cho ta khơng thể detect object có tầm nằm vng Tuy nhiên tăng grid size từ 7x7 lên kích thước lớn để detect nhiều object Ngồi ra, kích thước ảnh đầu vào phải bội số grid size Nghiên cứu ứng dụng drone thám cháy rừng Trang 15 Đồ án sở GVHD: TS Đặng Quang Hiển Hình 3.10: Grid System Mỗi vng chịu trách nhiệm dự đốn boundary box đối tượng Mỗi boundary box đốn có chứa object hay khơng thơng tin vị trí boundary box gồm trung tâm boundary box đối tượng chiều dài, rộng boundary box Ví vụ vng màu xanh cần dự đốn boundary box chứa gái hình minh họa Một điều cần lưu ý, lúc cài đặt khơng dự đốn giá trị pixel mà cần phải chuẩn hóa kích thước ảnh đoạn từ [0-1] dự đoán độ lệch tâm đối tượng đến box chứa đối tượng Ví dụ, thay đốn vị trí pixel điểm màu đỏ, cần dự đốn độ lệch a,b vng chứa tâm object Hình 3.11: Các box chia nhỏ ảnh Tổng hợp lại, với vng cần đốn thơng tin sau : - Ơ vng có chứa đối tượng hay khơng? - Dự đốn độ lệch box chứa object so với ô vuông - Lớp object Nghiên cứu ứng dụng drone thám cháy rừng Trang 16 Đồ án sở GVHD: TS Đặng Quang Hiển Như ta có với vng cần đốn vector có (nbox+4*nbox+nclass) chiều Ví dụ, cần dự đoán box, lớp vng chúng có ma trận chiều 7x7x30 chứa tồn thơng tin cần thiết Hình 3.12: Cách xử lý ảnh 3.2.1.2 CNN for YOLO Object Detection Chúng ta cần biết phải dự đoán thông tin ô vuông, điều quan trọng xây dựng mơ hình CNN có cho ouput với shape phù hợp theo yêu cầu chúng ta, tức gridsize x gridsize x (nbox+4*nbox+nclass) Ví dụ với gridsize 7x7 vng dự đốn boxes, có loại object tất phải cần output có shape 7x7x13 từ mơ hình CNN Hình 3.13: CNN for YOLO Object Detection Yolo sử dụng linear regression để dự đoán thơng tin vng Do đó, layer cuối không sử dụng hàm kích hoạt Với ảnh đầu vào 448x448, mơ hình CNN có tầng max pooling với size 2x2 giảm 64 lần kích thước ảnh xuống 7x7 output đầu Đồng thời thay sử dụng tầng full connected tầng cuối cùng, thay tầng 1x1 conv với 13 feature maps để output shape dễ dàng cho 7x7x13 3.2.1.3 Loss function Chúng ta định nghĩa thơng tin mà mơ hình cần phải dự đốn, kiến trúc mơ hình CNN Bây lúc mà định nghĩa hàm lỗi Nghiên cứu ứng dụng drone thám cháy rừng Trang 17 Đồ án sở GVHD: TS Đặng Quang Hiển YOLO sử dụng hàm độ lỗi bình phương giữ dự đốn nhãn để tính độ lỗi cho mơ hình Cụ thể, độ lỗi tổng tổng độ lỗi sau: - Độ lỗi việc đoán loại nhãn object - Classifycation loss - Độ lỗi dự đoán tạo độ chiều dài, rộng boundary box - Localization loss - Độ lỗi vng có chứa object hay không - Confidence loss Chúng ta mong muốn hàm lỗi có chức sau Trong q trình huấn luyện, mơ hình nhìn vào vng có chứa object Tăng classification score lớp object lên Sau đó, nhìn vào vng đó, tìm boundary box tốt boxes dự đốn Tăng localization score boundary box lên, thay đổi thông tin boundary box để gần với nhãn Đối với ô vuông không chứa object, giảm confidence score không quan tâm đến classification score localization score ô vuông Tiếp theo, vào chi tiết ý nghĩa độ lỗi Các khái niệm 3.2.1.4 Classification Loss Chúng ta tính classification loss cho vng đánh nhãn có object Classification loss vng tính đỗ lỗi bình phương nhãn dự đốn nhãn 𝑆2 𝐿𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 = ∑ 𝑜𝑏𝑗 ∏ 𝑖=0 ∑ 𝑖 𝑐∈𝑐𝑙𝑎𝑠𝑠 (𝑝𝑖 (𝑐 ) − 𝑝̂ 𝑖 (𝑐))2 Ví dụ, hình minh họa trên, có object vng (dịng,cột) (2,1) (3,4), chứa object hình tam giác hình tức giác Độ lỗi classification loss tính cho object mà ko quan tâm đến ô vuông khác Lúc cài đặt cần lưu ý phải nhân với mask để triệt tiêu giá trị lỗi vng ko Hình 3.14: Object quan tâm Nghiên cứu ứng dụng drone thám cháy rừng Trang 18 Đồ án sở GVHD: TS Đặng Quang Hiển 3.2.1.5 Localization Loss Localization loss dùng để tính giá trị lỗi cho boundary box dự đoán bao gồm offset x,y chiều dài, rộng so với nhãn xác Các bạn nên lưu ý rằng, khơng tính tốn trực tiếp giá trị lỗi kích thước ảnh mà cần chuẩn kính thước ảnh đoạn [0-1] tọa độ điểm tâm, khơng đốn trực tiếp điểm tâm mà phải dự đoán giá trị lệch offset x,y so với vng tương ứng Việc chuẩn hóa kích thước ảnh dự đốn offset làm cho mơ hình nhanh hội tụ so với việc dự đoán giá trị mặc định 𝑜𝑏𝑗 𝐿𝑙𝑜𝑐𝑎𝑙𝑧𝑎𝑡𝑖𝑜𝑛 = ∑𝑆𝑖=0 ∑𝐵𝑗=0 ∏𝑖𝑗 [(𝑜𝑓𝑓𝑠𝑒𝑡𝑥𝑖 + 𝑜𝑓𝑓𝑠̂ 𝑒𝑡𝑥𝑖 )2 + (𝑜𝑓𝑓𝑠𝑒𝑡𝑦𝑖 + 𝑜𝑓𝑓𝑠̂ 𝑒𝑡𝑦𝑖 )2 + (𝑤𝑖𝑑𝑡ℎ𝑖 + 𝑤𝑖𝑑̂ 𝑡ℎ𝑖 ) + (ℎ𝑒𝑖𝑔ℎ𝑡 − ℎ𝑒𝑖𝑔̂ℎ𝑡)2 ] Độ lỗi localization loss tính tổng đỗ lỗi bình phương offsetx, offsety chiều dài, rộng tất vng có chứa object Tại vng đúng,ta chọn boundary box có IOU (Intersect over union) tốt nhất, sau tính độ lỗi theo boundary box Theo hình họa có boundary box vng có viền màu đỏ, chọn box vng để tính độ lỗi Cịn box xanh bỏ qua Localization loss độ lỗi quan trọng loại độ lỗi Do đó, ta cần đặt trọng số cao cho độ lỗi 3.2.1.6 Confidence Loss Confidence loss thể độ lỗi dự đốn boundary box chứa object so với nhãn thực tế vng Độ lỗi tính nên vng chứa object không chứa object 𝑜𝑏𝑗 𝑛𝑜𝑜𝑏𝑗 𝐿𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = ∑𝑆𝑖=0 ∑𝐵𝑗=0 ∏𝑖𝑗 (𝐶𝑖 − Ĉ𝑖 )2 + 𝜆𝑛𝑜𝑜𝑏𝑖𝑒𝑐𝑡 ∑𝑆𝑖=0 ∑𝐵𝑗=0 ∏𝑖𝑗 (𝐶𝑖 − Ĉ𝑖 )2 Độ lỗi độ lỗi bình phường dự đốn boundary chứa object với nhãn thực tế vng vị trí tương ứng, lưu ý rằng, độ lỗi ô vuông mà nhãn chứa object quan trọng độ lỗi vng khơng chứa object, cần sử dụng hệ số lambda để cân điều Tổng kết lại, tổng lỗi tổng loại độ lỗi Nghiên cứu ứng dụng drone thám cháy rừng Trang 19 Đồ án sở GVHD: TS Đặng Quang Hiển 𝐿𝑡𝑜𝑡𝑎𝑙 = 𝐿𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑐𝑎𝑡𝑖𝑜𝑛 + 𝐿𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛 + 𝐿𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑒𝑐𝑒 3.2.1.7 Dự đốn lớp tạo độ boundary box sau q trình huấn luyện –Inference Chúng ta giữ lại boundary box mà có chứa object Để làm điều này, cần tính tích xác xuất có điều kiện ô vuông thuộc lớp i nhân với sác xuất vng chứa object, giữ lại boundary box có giá trị lớn ngưỡng định Mỗi object lại có nhiều boundary box khác mơ hình dự đốn Để tìm boundary box tốt object, dùng thuật toán non-maximal suppression để loại boundary box giao nhiều, tức có IOU giữ boundary box lớn Để tính IOU giữ box cần tính diện tích giao box chia cho tổng diện tích box 3.2.1.8 Hạn chế YOLO YOLO áp đặt ràng buộc không gian bounding box, grid cell predict bounding box class Các ràng buộc hạn chế khả nhận biết số object nằm gần nhau, object có kích thước nhỏ YOLO sử dụng feature tương đối thô để predict bounding box, model sử dụng nhiều lớp downsampling từ ảnh đầu vào Bởi hạn chế model huấn luyện để predict bounding box từ data, dẫn đến YOLO không thực tốt việc nhận diện object với tỉ lệ hình khối bất thường so với tập data YOLOv2 khắc phục phần vấn đề này, thua nhiều so với FRCNN Ngoài ra, q trình training, loss function khơng có đánh giá riêng biệt error bounding box kích thước nhỏ so với error bounding box kích thước lớn Việc coi chúng loại tổng hợp lại làm ảnh hưởng đến độ xác tồn cục mạng Error nhỏ box lớn nhìn chung tác hại, error nhỏ với box nhỏ đặc biệt ảnh hưởng đến giá trị IOU Nghiên cứu ứng dụng drone thám cháy rừng Trang 20 Đồ án sở GVHD: TS Đặng Quang Hiển Hình 3.15: Hình ảnh cháy rừng tầm gần Hình 3.16: Phát lửa khói cách sử dụng YOLO Nghiên cứu ứng dụng drone thám cháy rừng Trang 21 Đồ án sở GVHD: TS Đặng Quang Hiển KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Một vấn đề lớn việc phát cháy rừng dựa UAV khơng có liệu cơng khai hình ảnh video cháy rừng khơng ( Zhao cộng 2018 ; Jiao cộng 2019) Do đó, báo này, tập liệu tạo cách thu thập hình ảnh từ internet, sử dụng trang web Google Images, Shutterstock, Flickr tin cháy rừng Tập liệu chủ yếu bao gồm hình ảnh cháy rừng khơng, với hình ảnh chụp rừng từ khơng Độ phân giải hình ảnh tải xuống thay đổi từ 3000 × 3000 pixel đến 512 × 512 pixel Các khu rừng hình ảnh bao gồm trận cháy rừng gần California Úc với hình ảnh từ British Columbia, Alberta, Bắc Nam Carolina, Colorado, Indonesia, v.v Tổng tập liệu có 460 hình ảnh, 360 hình ảnh sử dụng để đào tạo 100 hình ảnh hình ảnh sử dụng cho mục đích đánh giá Để hiển thị điểm mạnh phương pháp đề xuất, số kết hợp tính đánh giá kết tóm tắt Bảng 3.1 Bảng 3.2 cho thấy phân tích so sánh phương pháp đề xuất, tính đề xuất với phân loại SVM thuật toán học sâu đại, YOLO Bảng 4.1: Kết thu Nghiên cứu ứng dụng drone thám cháy rừng Trang 22 Đồ án sở GVHD: TS Đặng Quang Hiển Bảng 4.2: So sánh hiệu suất Hướng phát triển tương lai Trong tương lai chúng tơi tiếp tục hồn thiện sản phẩm với chương trình nhận dạng, số chức tự động tự động bay giám sác khu vực thiết lập hành bay cách tự động Hình 4.1: Thiết lập hành trình bay 15.977273999999996, 108.25422908465576, 15.97718700000002, 108.24771581349184, 15.971792055980929, 108.247692609787, Nghiên cứu ứng dụng drone thám cháy rừng Trang 23 Đồ án sở GVHD: TS Đặng Quang Hiển 15.971828370657175, 108.25431316931152 Nghiên cứu ứng dụng drone thám cháy rừng Trang 24 Đồ án sở GVHD: TS Đặng Quang Hiển DANH MỤC THAM KHẢO [1] C Mai, “zingnews,” 02 10 2018 [Trực tuyến] Available: https://zingnews.vn/onhiem-khong-khi-o-tq-khien-1-1-trieu-nguoi-chet-tre-moi-nam-post881199.html [2] “Camera AI cảnh báo cháy rừng,” [Trực tuyến] Available: https://congnghiepcongnghecao.com.vn/tin-tuc/t23601/camera-ai-canh-bao-chayrung.html Nghiên cứu ứng dụng drone thám cháy rừng Trang 25 ... IOU Nghiên cứu ứng dụng drone thám cháy rừng Trang 20 Đồ án sở GVHD: TS Đặng Quang Hiển Hình 3.15: Hình ảnh cháy rừng tầm gần Hình 3.16: Phát lửa khói cách sử dụng YOLO Nghiên cứu ứng dụng drone. .. 108.247692609787, Nghiên cứu ứng dụng drone thám cháy rừng Trang 23 Đồ án sở GVHD: TS Đặng Quang Hiển 15.971828370657175, 108.25431316931152 Nghiên cứu ứng dụng drone thám cháy rừng Trang 24 Đồ... xuất làm thay đổi đặc trưng vật liệu cháy rừng Nghiên cứu ứng dụng drone thám cháy rừng Trang Đồ án sở GVHD: TS Đặng Quang Hiển Thực trạng cháy rừng giới Cháy rừng Australia bắt đầu bùng phát Australia